Electronic Theses and Dissertation

Aritmia adalah gangguan irama jantung yang menyebabkan detak jantung terlalu cepat, lambat, atau tidak teratur, berpotensi menimbulkan komplikasi serius seperti serangan jantung dan kematian mendadak. Diagnosis aritmia penting namun sering memerlukan interpretasi EKG oleh ahli medis. Dalam beberapa tahun terakhir, penggunaan metode komputasi untuk klasifikasi aritmia telah menarik perhatian sebagai pendekatan yang potensial untuk meningkatkan kecepatan dan akurasi diagnosis. Membandingkan kinerja Random Forest, Support Vector Machine, dan Adaboost dalam klasifikasi aritmia sebagai ekstraksi fitur dari sinyal EKG. Mengembangkan model klasifikasi aritmia dengan Random Forest, Support Vector Machine, dan Adaboost berdasarkan fitur yang diekstraksi melalui DWT, serta membandingkan kinerja model berdasarkan akurasi. Penelitian menggunakan dataset sinyal EKG dari MIT-BIH Arrhythmia Database. Proses meliputi pengumpulan dan preprocessing data, ekstraksi fitur menggunakan DWT, pengembangan model klasifikasi, dan evaluasi kinerja menggunakan akurasi. Model Random Forest menunjukkan akurasi tertinggi sebesar 97.5%, diikuti oleh Support Vector Machine dengan 97.2% dan AdaBoost dengan 90.2%. Hal ini menunjukkan keunggulan Random Forest dalam menangani data aritmia dan menghasilkan prediksi yang lebih akurat. Oleh karena itu, model Random Forest dipilih sebagai model terbaik untuk klasifikasi aritmia dalam penelitian ini.
Kata Kunci: Aritmia, Discrete Wavelet Transform, MIT-BIH Arrhythmia Database, Random Forest, Support Vector Machine, Adaboost

Arrhythmia is a heart rhythm disorder that causes the heart to beat too fast, slow or irregularly, potentially leading to serious complications such as heart attack and sudden death. Diagnosis of arrhythmias is important but often requires interpretation of the ECG by a medical professional. In recent years, the use of computational methods for arrhythmia classification has attracted attention as a potential approach to improve the speed and accuracy of diagnosis. Comparing the performance of Random Forest, Support Vector Machine, and Adaboost in arrhythmia classification as feature extraction from ECG signals. Develop arrhythmia classification models with Random Forest, Support Vector Machine, and Adaboost based on features extracted through DWT, and compare the performance of the models based on accuracy. The study used ECG signal dataset from MIT-BIH Arrhythmia Database. The process includes data collection and preprocessing, feature extraction using DWT, classification model development, and performance evaluation using accuracy. The Random Forest modelshowed the highest accuracy of 97.5%, followed by Support Vector Machine with 97.2% and AdaBoost with 90.2%. This shows the superiority of Random Forest in handling arrhythmia data and producing more accurate predictions. Therefore, the Random Forest model was chosen as the best model for arrhythmia classification in this study. Keyword : Arrhythmia, Discrete Wavelet Transform, MIT-BIH Arrhythmia Database, Random Forest, Support Vector Machine, Adaboost